A mai járművek vezetéstámogató rendszerei mesterséges intelligenciára alapuló algoritmusok segítségével hoznak döntéseket. A nyers adatokat környezeti szenzorok, például radarok és kamerák szolgáltatják. Ezeket valós időben dolgozzák fel intelligens rendszerek, hogy átlátható modellt hozzanak létre a jármű környezetéről, és stratégiát dolgozzanak ki az interakcióról. Végül a járművet vezérelni is kell ahhoz, hogy a terveknek megfelelően viselkedjen. Mivel azonban a rendszerek egyre bonyolultabbakká válnak,
a hagyományos szoftverfejlesztési módszerek elérték saját felső határaikat,
s ennek következtében a gépi tanulás és a szimulációk kulcsfontosságúvá váltak a megoldások kidolgozásában.
Mesterséges neurális hálózatok valósítják meg, hogy a gép tapasztalatok alapján tanuljon, és új információkat kössön össze a meglévő ismeretekkel, többé-kevésbé hasonlóan ahhoz, ahogyan az emberi agyban is zajlik a tanulási folyamat. Csakhogy míg egy gyermek képes felismerni egy autót, miután pár tucat különféle típusú autót mutattak neki, több ezer órás tanításra és milliónyi képre, azaz óriási mennyiségű adatra van szükség az olyan neurális háló tanításához, amely később a sofőrt fogja segíteni, vagy akár önállóan vezérli majd a járművet.
A Continental budapesti mesterségesintelligencia-fejlesztő központját ez év eleje óta a németországi Frankfurt am Mainban működő adatközpont szolgálja ki számítási és tárolási kapacitással. Ezt a szuperszámítógépet több mint ötven NVIDIA DGX szerverből építették fel, amelyek NVIDIA Mellanox InfiniBand hálózatot használnak a klaszteren belüli kommunikációra. A rendszert a szuperszámítógépek Top500-as listáján az autóipar legnagyobb rendszerei között tartják számon.
A neurális hálók tanításához felhasznált adatok főként a Continental tesztjármű-flottájából származnak. Ezek a járművek 15 ezer tesztkilométert tesznek meg naponta, miközben körülbelül 100 terabájtnyi adatot gyűjtenek, ami 50 ezer órányi filmnek felelne meg. A rögzített adatokat már fel lehet használni új rendszerek tanításához ismételt lejátszással, azaz a valódi tesztvezetések szimulációjával.
A szuperszámítógép segítségével azonban az adatokat már szintetikusan is lehet generálni.
Ennek számos előnye lehet a fejlesztés során, például feleslegessé válik az autóflotta által generált adatok rögzítése, tárolása, keresése, mert a tanuláshoz használandó szcenáriókat a rendszer saját maga azonnal létrehozhatja. Ugyanakkor gyorsítja a fejlesztést, mert a virtuális járművek annyi tesztkilométert tudnak megtenni néhány óra alatt, amennyire egy valódi autó csak több hét alatt lenne képes. Harmadszor pedig az adatok szintetikus generálása lehetővé teszi a változó és kiszámíthatatlan forgalmi szituációk feldolgozását, a reagálást.
